MPLEMENTASI K-NEAREST NEIGHBORS UNTUK MEMPREDIKSI DELAY PENERBANGAN

Fausta, Muhammad Aldora (2023) MPLEMENTASI K-NEAREST NEIGHBORS UNTUK MEMPREDIKSI DELAY PENERBANGAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (3MB)
	Text (BAB I) BAB I.pdf Download (218kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (917kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (468kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (793kB)
	Text (BAB V) BAB V.pdf Download (44kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (134kB)
	Archive (SOURCE CODE) Source Code - aldora fausta.zip Restricted to Repository staff only Download (6MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Delay sudah menjadi masalah yang lumrah terjadi dalam jadwal penerbangan pesawat terbang. Delaynya sebuah pesawat terbang dapat merugikan berbagai pihak, baik dari pihak pengguna maskapai penerbangan yang dirugikan waktunya, serta pihak maskapai yang harus mengganti rugi kepada pengguna maskapai penerbangan. hal ini yang menjadi latar belakang dari penelitian skripsi ini, dengan tujuan untuk memprediksi apakah akan terjadi delay pesawat pada satu jadwal penerbangan pesawat terbang. Data yang akan digunakan dalam prediksi kejadian delay ini adalah data penerbangan yang tercatat dalam berbagai airport di amerika serikat. Data ini digunakan sebagai purwarupa dari apa yang sekiranya akan diperlukan dalam implementasi prediksi delay penerbangan pesawat terbang di indonesia. Jenis data yang digunakan pada penelitian skripsi ini seluruhnya berjenis kuantitatif. algoritma yang akan digunakan dalam prediksi delay pesawat terbang ini adalah algoritma k-nearest neighbors. hasil penelitian ini menunjukkan bahwa algoritma k-nearest neighbors belum cukup baik dalam memprediksi delay pada penerbangan pesawat terbang, hal ini dibuktikan dengan performa prediksi algoritma k-nearest neighbors yang tetap berkutat pada 65%. Dalam hal ini peneliti menyarankan kepada peneliti selanjutnya untuk menggunakan algoritma yang berbeda, menambahkan data yang akan digunakan seperti data cuaca, serta melakukan klasifikasi ulang pada data yang digunakan pada penelitian skripsi ini.

Actions (login required)

View Item